Inspección de Soldadura por Visión IA en Puente Grúa

La calidad del cordón de soldadura en la viga principal del puente grúa determina directamente su vida útil y su factor de seguridad. Una grieta de soldadura aparentemente insignificante puede, tras varios años de expansión bajo cargas cíclicas, provocar la fractura de la viga principal. En los equipos antiguos para los que hemos realizado evaluaciones de integridad estructural, un tercio de los orígenes de grietas por fatiga se localizan en el cordón de soldadura. Sin embargo, la inspección tradicional de soldaduras se basa en la inspección visual manual combinada con partículas magnéticas, un método que no solo es ineficiente, sino que además arroja resultados variables según el operador.

El mayor avance de la inspección visual por IA en los últimos dos años no radica en la profundidad de los modelos, sino en haber integrado cámara industrial + fuente de luz + motor de inferencia en una solución lista para la línea de producción. Un fabricante de puentes grúa suelda decenas de metros de cordón de soldadura en la viga principal cada día; el ojo humano no puede abarcarlo todo. Con YOLOv8 y un sistema óptico adecuado, es posible identificar grietas de menos de 1 mm de ancho en el cordón, y una sola GPU puede procesar simultáneamente 4 cámaras sin ningún problema.

Este artículo describe la solución técnica completa, desde la selección de la cámara hasta el despliegue del modelo. La inversión en hardware del sistema oscila entre 50.000 y 120.000 CNY (aprox. 6.400–15.400 EUR), e incluye PC industrial, cámaras industriales, fuente de luz y software de IA. El tiempo de inspección de un cordón de soldadura se reduce de 5 a 10 minutos (método manual) a 15 segundos, y la tasa de detección aumenta del 70–80 % (manual) a más del 92 %.

Arquitectura general del sistema de inspección por visión

El sistema de inspección por IA del cordón de soldadura adopta una arquitectura en línea de producción, donde cada etapa procesa los datos y los transmite al siguiente módulo:

Sistema de Cámara Industrial y Fuente de Luz

Lo más difícil en la inspección de soldadura no es el modelo de IA, sino capturar una imagen utilizable. La superficie del cordón de soldadura en el puente grúa presenta escoria, salpicaduras y cascarilla de laminación; una cámara estándar produce imágenes con bajo contraste y fuertes reflejos, haciendo inútil incluso la mejor IA.

Selección de la cámara: Se recomienda una cámara industrial de matriz de área de 12MP (4096×3000), con tamaño de píxel de 3,45 μm y obturador de cortina. Acoplada con una lente industrial fija de 25 mm, a una distancia de trabajo de 300 mm se obtiene un campo de visión de aproximadamente 200×150 mm, con una resolución por píxel de unos 0,05 mm — a esta resolución, una grieta de 0,5 mm ocupa 10 píxeles, suficiente para la identificación por IA. No se requiere una alta frecuencia de imagen; 15 fps es suficiente (la detección de soldadura se realiza con la grúa detenida, no en movimiento).

Esquema de iluminación: La superficie del cordón de soldadura es texturizada, por lo que se necesita luz estructurada o iluminación rasante en forma de barra para resaltar los defectos. Se recomienda una fuente de luz de barra azul (longitud de onda de 460 nm) con un ángulo de irradiación de 30°, combinada con un filtro de paso de banda de la misma longitud de onda para eliminar eficazmente la interferencia del arco eléctrico. Un sistema de iluminación completo, incluido el controlador, cuesta aproximadamente entre 3.000 y 5.000 € — es un componente que a menudo se subestima en el sistema completo, pero que nunca debe omitirse.

Entrenamiento y despliegue de modelos de IA

3.1 Construcción del conjunto de datos

El conjunto de datos para la detección de defectos en cordones de soldadura de puentes grúa proviene de dos fuentes: imágenes de defectos reales capturadas en el sitio de fabricación (las más valiosas, aunque escasas) e imágenes sintéticas generadas mediante aumento de datos (para completar el volumen de muestras). Se recomienda un enfoque mixto: 500–1000 imágenes reales + aumento sintético hasta 3000–5000 imágenes.

La clasificación de defectos se divide en cuatro categorías según la norma ISO 5817 (equivalente a GB/T 3323-2023) para ensayos no destructivos de soldaduras:

Se recomienda utilizar LabelImg o CVAT como herramientas de anotación. Cada imagen anotada se exporta en formato YOLO (clase + centro x + centro y + ancho w + alto h, todos normalizados entre 0 y 1).

3.2 Selección del modelo y entrenamiento

Se recomienda YOLOv8s (versión small, aproximadamente 11M de parámetros), que ofrece el mejor equilibrio entre precisión y velocidad. Configuración de entrenamiento:

from ultralytics import YOLO # Cargar modelo preentrenado tipo model = YOLO("yolov8s.pt") # Entrenamiento（RTX4060Aprox.3horas para completar300epoch） results = model.train( data="weld_dataset.yaml", epochs=300, imgsz=640, batch=16, lr0=0.01, augment=True, device=0 # GPU ) # Validación metrics = model.val() print(f"mAP@0.5: {metrics.box.map50:.3f}") print(f"mAP@0.5:0.95: {metrics.box.map:.3f}")

Tras el entrenamiento, se utiliza TensorRT para optimizar la velocidad de inferencia: la latencia original de YOLOv8s en una RTX4060 es de aproximadamente 12 ms, que se reduce a 4~5 ms tras la optimización con TensorRT FP16. La inferencia de una sola pasada con 4 cámaras en modo de sondeo no supera los 35 ms, cumpliendo con los requisitos de tiempo real de la detección en línea.

# TensorRTExportación model.export(format="engine", dynamic=True, half=True) # Inferencia import tensorrt as trt import pycuda.driver as cuda engine = trt.Runtime(trt.Logger()).deserialize_cuda_engine( open("yolov8s_weld.engine", "rb").read()) # Tiempo de inferencia por fotograma aprox.5ms (RTX4060)

4. Despliegue del sistema de detección en línea

El sistema se instala en la estación final de la línea de producción de soldadura de la viga principal del puente grúa. Una vez finalizada la soldadura, la viga principal se transfiere automáticamente a la estación de inspección, donde las cámaras industriales capturan imágenes de los cuatro cordones de soldadura principales (dos en la placa de cubierta superior y dos en la inferior). Cada cordón se fotografía en 3~5 imágenes (que cubren toda la longitud del cordón), y la IA detecta y marca automáticamente la posición de los defectos.

Parámetros de despliegue:

5. Puntos Clave de la Implementación del Proyecto

1. La iluminación es más importante que el modelo. Esta es la primera regla de oro en la visión artificial. En nuestra primera prueba, utilizamos una fuente de luz anular estándar, y el fuerte reflejo del cordón de soldadura impedía captar las grietas: por muy potente que sea YOLOv8, no puede reconocer lo que no se ve. Al cambiar a una fuente de luz de barrido azul de bajo ángulo, el contraste de los defectos mejoró más de 3 veces, y el mAP del modelo saltó del 68% al 89%. La inversión en iluminación representa menos del 10% del coste total del sistema, pero influye en un 80% del resultado final.

2. ¿Qué hacer si no hay suficientes muestras de defectos? La escasez de muestras de defectos reales es un problema común en todos los proyectos de visión industrial. Nuestro enfoque: primero, generamos defectos simulados (mecanizando defectos artificiales en placas de prueba con electroerosión por hilo) para capturar 500 imágenes y entrenar un modelo inicial. Tras la puesta en marcha, utilizamos este modelo inicial para realizar un preselección; después de la confirmación manual, añadimos las imágenes de defectos reales al conjunto de entrenamiento para iterar. Tras tres ciclos de iteración, el rendimiento del modelo con datos reales supera al de la versión entrenada con datos simulados.

3. El equilibrio entre falsos positivos y falsos negativos. Las características visuales del cordón de soldadura excesivo y la mordedura se solapan con las salpicaduras de soldadura, por lo que la tasa de falsos positivos es naturalmente más alta que para las grietas. La estrategia de ingeniería adoptada: para grietas y porosidad, se establece un umbral de alta confianza (≥0.7) para clasificar directamente como defectuoso; para mordedura y cordón excesivo, se utiliza un umbral bajo (≥0.4) para marcarlos como "pendiente de confirmación manual". Esto garantiza que los defectos de alto riesgo no se pasen por alto, sin saturar al operario con demasiados falsos positivos que le hagan perder la paciencia.

4. Integración con el PLC de la línea de producción. El sistema de detección envía una señal digital al PLC (mediante Modbus TCP o E/S digital). Cuando se detecta una grieta o porosidad, se activa la alarma luminosa y se detiene la cinta transportadora. El informe de detección en formato XML se sube al sistema MES a través de FTP para su archivo. La integración no requiere modificar el programa del PLC existente en la línea: el sistema de detección actúa como un equipo independiente que solo emite una señal OK/NG.

5. No olvidar la calibración periódica. La degradación de la cámara y la fuente de luz afecta a la consistencia de la detección. Se recomienda ejecutar un procedimiento de calibración mensual con una placa de calibración estándar (una placa de prueba con defectos conocidos). Si los resultados de 3 detecciones consecutivas se desvían más de un 10% del estándar, el sistema avisará automáticamente de la necesidad de recalibrar o reemplazar la fuente de luz.

Conclusión

La inspección visual de soldaduras con IA no es una tecnología nueva: la industria automotriz y de tuberías la utiliza desde hace años. La particularidad del sector de puentes grúa radica en la longitud de las soldaduras (una viga principal de 30 metros tiene cuatro cordones de soldadura longitudinales), la complejidad del estado de la superficie (abundantes salpicaduras) y la referencia a la norma ISO 5817 para los criterios de aceptación de defectos. Adaptando estas condiciones, la visión por IA en la inspección de soldaduras de puentes grúa no solo iguala, sino que supera en eficiencia y consistencia a la inspección manual.

Hemos realizado pruebas durante seis meses en una línea de soldadura de la viga principal de un puente grúa de 32 toneladas: se inspeccionaron un total de 286 cordones de soldadura. La IA detectó 17 defectos tipo grieta (2 de ellos omitidos en la primera inspección manual), con una tasa de detección global del 94,6% y un tiempo medio de 12 segundos por cordón. Nuestro plan futuro es integrar los datos de detección en la plataforma de Gemelo Digital del puente grúa para correlacionar el registro de defectos de soldadura de cada grúa con los datos de monitorización de salud estructural durante su vida útil.

Preguntas Frecuentes